本文研究了少样本学习在金融意图检测中的应用，通过评估大型语言模型的性能和成本效益，填补了该领域的研究空白。同时提出了基于检索增强生成和数据增强的方法来降低运营成本和改善性能，并提供了一个人工专家策划的子集和错误分析。

本文研究了少样本学习在金融意图检测中的应用，通过评估大型语言模型的性能和成本效益，填补了该领域的研究空白。同时提出了基于检索增强生成和数据增强的方法来降低运营成本和改善性能，并提供了一个人工专家策划的子集和错误分析。